基于空间似然投票与自知识蒸馏的弱监督目标检测
计算机视觉与模式识别
2022-04-15 v1
摘要
弱监督目标检测（WSOD）是一种仅使用图像级标注来训练目标检测模型的有效方法，已引起研究人员的广泛关注。然而，现有大多数基于多示例学习（MIL）的方法倾向于将实例定位到显著物体的判别性部分，而非所有物体的完整内容。本文提出一种称为空间似然投票与自知识蒸馏网络（SLV-SD Net）的WSOD框架。在该框架中，我们引入空间似然投票（SLV）模块，以在无边界框标注的情况下收敛区域提议定位。具体而言，在训练的每个迭代中，给定图像中的所有区域提议作为投票者，在空间维度上为每一类的似然进行投票。在对具有大似然值的区域进行膨胀对齐后，投票结果被正则化为边界框，随后用于最终的分类与定位。基于SLV，我们进一步提出自知识蒸馏（SD）模块以精炼给定图像的特征表示。SLV模块生成的似然图用于监督骨干网络的特征学习，促使网络关注图像中更宽广且更多样的区域。在PASCAL VOC 2007/2012和MS-COCO数据集上的大量实验证明了SLV-SD Net的优异性能。此外，SLV-SD Net在这些基准上取得了新的最先进（SOTA）结果。
引用
@article{arxiv.2204.06899,
title = {Spatial Likelihood Voting with Self-Knowledge Distillation for Weakly Supervised Object Detection},
author = {Ze Chen and Zhihang Fu and Jianqiang Huang and Mingyuan Tao and Rongxin Jiang and Xiang Tian and Yaowu Chen and Xian-sheng Hua},
journal= {arXiv preprint arXiv:2204.06899},
year = {2022}
}
备注
arXiv admin note: text overlap with arXiv:2006.12884